Prerequisiti

• Docker 24+ e Docker Compose v2
• 16 GB di RAM minimo (Ollama carica i modelli in memoria; 8 GB funzionano solo con modelli piccoli)
• 20 GB di spazio libero su disco per le immagini di base e almeno un modello
• CPU x86-64; Apple Silicon e ARM64 sono supportate ma non testate

La GPU è opzionale. Ollama funziona su CPU, ma l'inferenza sarà lenta senza una.

Avvio rapido

git clone https://github.com/sonuoffsec/DVAP
cd DVAP
cp .env.example .env
docker compose up -d

Apri http://localhost:8080 quando tutti i container sono in salute. Il primo avvio richiede 30-60 secondi.

Indice

• Prerequisiti
• Avvio rapido
• Cos'è DVAP?
• Perché DVAP?
• Come si differenzia DVAP
• Caratteristiche principali
• Panoramica della piattaforma
• Demo
• Screenshot
• Labs
• Copertura OWASP LLM Top 10
• Architettura
• Architettura di sicurezza
• Servizi
• Variabili d'ambiente
• Aggiornamento
• Sviluppo vs Produzione
• Esecuzione dei test
• Roadmap
• Governance
• Contribuire
• Licenza

Cos'è DVAP?

DVAP è una piattaforma open-source per ricerca, formazione, benchmark e red teaming sulla sicurezza dell'IA, progettata per aiutare professionisti della sicurezza, ingegneri AI, ricercatori, studenti e organizzazioni a capire come i moderni sistemi AI falliscono e come difenderli.

Costruita per l'era dell'AI, DVAP fornisce applicazioni AI intenzionalmente vulnerabili, agenti, sistemi RAG, integrazioni MCP e ambienti dominio-specifici che possono essere attaccati, analizzati, sottoposti a benchmark e protetti.

A differenza dei playground AI basati su cloud, DVAP funziona interamente sulla tua macchina.

Niente cloud. Niente abbonamenti. Niente costi API. Nessun vendor lock-in.

Perché DVAP?

Le applicazioni AI moderne introducono superfici d'attacco completamente nuove:

• Prompt Injection
• Memory Poisoning
• RAG Poisoning
• Tool Abuse
• Sfruttamento MCP
• Attacchi multi-agente
• Manipolazione di agenti autonomi
• Esfiltrazione di dati
• Fallimenti di identità e fiducia
• Rischi nella supply chain dell'AI

Eppure non esiste un'unica piattaforma che consenta ai ricercatori di imparare, esercitarsi, fare benchmark e validare questi attacchi in sicurezza in un unico posto.

DVAP punta a diventare la piattaforma open-source di riferimento per l'educazione, la ricerca e la sperimentazione sulla sicurezza dell'AI.

Come si differenzia DVAP

DVAP è una delle prime piattaforme a combinare lab pratici di attacco all'AI, benchmark LLM locali, sfide CTF e reportistica professionale in un unico ambiente self-hosted.

Caratteristiche principali

Lab di sicurezza per l'AI 15 lab intenzionalmente vulnerabili che coprono tecniche di attacco AI del mondo reale.

Workspace di ricerca Ispeziona prompt, memoria, chiamate agli strumenti, documenti recuperati, azioni degli agenti e catene di attacco.

Benchmark di sicurezza Valuta modelli locali ed esterni contro suite di attacchi alla sicurezza dell'AI.

Capture The Flag (CTF) Impara la sicurezza dell'AI attraverso sfide guidate, flag, suggerimenti e walkthrough.

Motore di reportistica Genera report professionali di findings e benchmark mappati su OWASP LLM Top 10, MITRE ATLAS, CWE e CVSS.

100% Locale Esegui tutto sulla tua macchina. I tuoi prompt, dati, findings e esperimenti non lasciano mai il tuo ambiente.

Panoramica della piattaforma

🎬 Demo

📸 Screenshot

🖥️ Centro di comando per la ricerca

_{Centro di comando per la ricerca  ·  Attività della piattaforma in tempo reale, classifica del benchmark dei modelli, progressi nella cattura dei flag e salute dei servizi in un'unica vista operativa.}

🧩 Moduli della piattaforma

🛡️ Dashboard dei Findings

_{Dashboard dei Findings  ·  Traccia, triage e documenta i reperti di sicurezza con livelli di gravità, mappatura OWASP LLM Top 10, tecniche MITRE ATLAS e report esportabili.}

Labs

15 container containerizzati, ciascuno con flag, suggerimenti, walkthrough e mappatura OWASP LLM Top 10 + MITRE ATLAS.

Ogni lab gira in un container Docker isolato con il proprio endpoint LLM basato su Ollama.

Copertura OWASP LLM Top 10

DVAP è allineato con OWASP Top 10 per applicazioni LLM. Ogni categoria è mappata su uno o più lab dedicati.

8 delle 10 categorie coperte in 15 lab. LLM04 e LLM10 sono nella roadmap della v1.2.

Architettura

graph TB
    User([User Browser]) --> Nginx[Nginx :8080]
    Nginx --> Web[Next.js Frontend :3000]
    Nginx --> API[FastAPI Backend :8000]

    API --> PG[(PostgreSQL)]
    API --> Redis[(Redis)]
    API --> Qdrant[(Qdrant)]
    API --> Sock[Docker Socket]

    Sock --> L1[Lab Container]
    Sock --> L2[Lab Container]
    Sock --> LN[Lab Container ...]

    L1 --> Ollama[Ollama :11434]
    L2 --> Ollama
    LN --> Ollama

    subgraph dvap-internal network
        Web
        API
        PG
        Redis
        Qdrant
    end

    subgraph dvap-labs network
        L1
        L2
        LN
        Ollama
    end

I container dei lab sono isolati su una rete Docker separata. Possono raggiungere Ollama per l'inferenza LLM ma non possono raggiungere il database, Redis o Qdrant.

Architettura di sicurezza

Isolamento di rete

Due reti Docker mantengono separato il traffico dei lab dall'infrastruttura della piattaforma:

• dvap-internal (172.20.0.0/24) - PostgreSQL, Redis, Qdrant, API, frontend, Nginx
• dvap-labs (172.21.0.0/24) - container dei lab e Ollama

I container dei lab possono raggiungere Ollama e nient'altro sulla rete interna. Non possono raggiungere PostgreSQL, Redis o Qdrant.

Accesso al socket Docker

Compromesso noto: Il container API monta /var/run/docker.sock per avviare e fermare i container dei lab su richiesta (Docker-out-of-Docker). Questo concede al processo API accesso equivalente a root al daemon Docker host.

Questa è una decisione di design intenzionale. DVAP è un'installazione locale per singolo utente per ricerca e formazione sulla sicurezza, non un servizio multi-tenant. Il compromesso è accettato perché:

• Non esiste un'interfaccia amministrativa accessibile in rete che possa innescare operazioni arbitrarie sui container
• I limiti di risorse dei container dei lab (512 MB di RAM, 0.5 CPU) prevengono l'esaurimento delle risorse
• Le immagini dei lab sono costruite da Dockerfile controllati in questo repository

Se distribuisci DVAP in un ambiente condiviso o in rete, sostituisci il mount del socket con un socket Docker rootless o un socket Podman (/run/user/1000/podman/podman.sock) e limita di conseguenza l'accesso di rete dell'API.

TTL delle istanze

Le istanze dei lab si fermano automaticamente dopo 1 ora tramite chiavi TTL Redis. Chiama POST /api/v1/instances/cleanup per attivare una pulizia anticipata.

Rate limiting

L'invio dei flag è limitato a 15 tentativi per finestra di 60 secondi per token di sessione.

Servizi

Variabili d'ambiente

Consulta .env.example per tutte le variabili. Le principali da modificare prima di qualsiasi distribuzione in rete:

SECRET_KEY=          # strong random value for HMAC signing
POSTGRES_PASSWORD=   # change from the default
REDIS_PASSWORD=      # change from the default

Aggiornamento

Un solo comando aggiorna la tua installazione:

make upgrade

Questo esegue git pull e poi ricostruisce e riavvia tutti i container. Le migrazioni del database vengono eseguite automaticamente a ogni avvio del container API.

Senza make:

git pull
docker compose up -d --build

Cosa viene aggiornato automaticamente

• Codice backend ed endpoint API
• Dashboard frontend
• Schema del database (migrazioni Alembic)
• Definizioni dei lab

Cosa non viene mai toccato

• I tuoi dati (findings, sessioni di ricerca, risultati dei benchmark, campagne)
• Il tuo file .env

Controlla le nuove variabili d'ambiente

diff .env .env.example

Sviluppo vs Produzione

# Development (default) - auto-loads docker-compose.override.yml
# Hot reload for API and frontend, source mounted as volumes
docker compose up -d

# Production - baked images, no volume mounts, 4 uvicorn workers
docker compose -f docker-compose.yml up -d

Costruisci le immagini prima dell'esecuzione in produzione:

docker build -t dvap-api:latest --target production ./backend
docker build -t dvap-web:latest --target production ./frontend

Esecuzione dei test

I test richiedono un'istanza PostgreSQL. Avvia prima lo stack:

docker compose up -d postgres
export TEST_DATABASE_URL=postgresql+asyncpg://dvap:<your-postgres-password>@localhost:5432/dvap_test
cd backend
pip install -e ".[dev]"
pytest

Roadmap

v1.1 - Copertura lab ampliata

• Lab di sicurezza per agenti LangChain
• Lab di sicurezza multi-agente CrewAI
• Lab di sicurezza RAG LlamaIndex
• Lab per agente autonomo stile AutoGPT

v1.2 - Benchmark potenziati

• Supporto per modelli API OpenAI e Anthropic
• Costruttore di suite di benchmark personalizzate
• Report di confronto benchmark tra versioni di modelli
• Test di regressione automatici per la sicurezza dei modelli

v1.3 - Miglioramenti della piattaforma

• Supporto multi-utente con isolamento delle sessioni
• Estensione VS Code per il workspace di ricerca
• Integrazione GitHub Actions per test di sicurezza CI/CD
• Sistema di progressione della difficoltà dei lab

v2.0 - Automazione del red team AI

• Generazione automatica di catene di attacco
• Scoperta di vulnerabilità assistita dall'AI
• Template di campagne di red team
• Integrazione con strumenti di sicurezza popolari (Burp Suite, Metasploit)

Vuoi contribuire alla roadmap? Apri una issue o avvia una discussione.

Governance

DVAP è sviluppato e mantenuto da Sonu Chaudhary.

I contributi della community sono benvenuti e regolati dalle linee guida per i contributi. La direzione a lungo termine è guidata tramite GitHub Issues e Discussions. Aggiunte di lab, proposte di funzionalità e input sulla roadmap vengono esaminati pubblicamente.

Non esiste un rischio da singolo punto di errore: il repository è open source sotto Apache 2.0 e forkabile dalla community in qualsiasi momento.

Contribuire

Consulta CONTRIBUTING.md per sapere come aggiungere lab, eseguire test e inviare pull request.

Licenza

Apache 2.0 - consulta LICENSE per il testo completo.